Time update: May 24, 2021

Author: Inayatus

---

import pandas as pd
import matplotlib as plt

Analisis Vaksin COVID-19

Seperti yang sudah kita ketahui, tahun 2020 merupakan tahun yang cukup membuat kita semua merasa terkejut, sedih, marah, pasrah dikarenakan adanya pandemi dari virus Sars-Cov-2 atau yang lebih sering kita kenal sebagai COVID-19. Pandemi ini sangat menggemparkan dunia dengan penyebaran virusnya yang sangat cepat dan masif menyebabkan jutaan orang sakit, meninggal, harus melakukan karantina diri, dan bahkan miliyaran orang harus mengalami perubahan pada hidupnya, baik dalam bersosial, bekerja, bahkan beraktifitas seperti biasanya. Walaupun pandemi ini masih terus berlangsung, para ilmuan dan peneliti dalam satu tahun terakhir ini telah mempu menemukan vaksin yang telah melalui beberapa uji klinis - terima kasih.

Terdapat beberapa jenis vaksin yang telah di uji dan telah di distribusikan oleh beberapa negara, termasuk Indonesia. Pada analisis kali ini, kita akan melihat bagaimana perkembangan proses vaksinasi di dunia terutama di Indonesia. Vaksin apa saja yang paling banyak digunakan di seluruh dunia? Vaksin apa yang digunakan oleh Indonesia? Negara mana yang menggunakan jenis vaksin yang sama dengan Indonesia? Negara mana yang sudah hampir menyelesaikan proses vaksinasi bagi para penduduknya dan bagaimana progres distribusi vaksin di Indonesia?

Beberapa pertanyaan tersebut akan kita jawab. Untuk menjawab pertanyaan tersebut, disini kita akan menggunakan data vaksin yang bersumber dari Kaggle: COVID-19 World Vaccination Progress dan data orisinil diperoleh dari Our World in Data serta repositori Github COVID-19.

Import Data

Kita akan coba melakukan import data country_vaccinations.csv yang tersimpan dalam folder data_input. Dikarenakan file dalam bentuk .csv, kita bisa menggunakan fungsi pd.read_csv().

vaksin = pd.read_csv("data_input/country_vaccinations.csv")
vaksin.head()

	country	iso_code	date	total_vaccinations	people_vaccinated	people_fully_vaccinated	daily_vaccinations_raw	daily_vaccinations	total_vaccinations_per_hundred	people_vaccinated_per_hundred	people_fully_vaccinated_per_hundred	daily_vaccinations_per_million	vaccines	source_name	source_website
0	Afghanistan	AFG	2021-02-22	0.0	0.0	NaN	NaN	NaN	0.0	0.0	NaN	NaN	Oxford/AstraZeneca, Pfizer/BioNTech, Sinopharm...	World Health Organization	https://covid19.who.int/
1	Afghanistan	AFG	2021-02-23	NaN	NaN	NaN	NaN	1367.0	NaN	NaN	NaN	35.0	Oxford/AstraZeneca, Pfizer/BioNTech, Sinopharm...	World Health Organization	https://covid19.who.int/
2	Afghanistan	AFG	2021-02-24	NaN	NaN	NaN	NaN	1367.0	NaN	NaN	NaN	35.0	Oxford/AstraZeneca, Pfizer/BioNTech, Sinopharm...	World Health Organization	https://covid19.who.int/
3	Afghanistan	AFG	2021-02-25	NaN	NaN	NaN	NaN	1367.0	NaN	NaN	NaN	35.0	Oxford/AstraZeneca, Pfizer/BioNTech, Sinopharm...	World Health Organization	https://covid19.who.int/
4	Afghanistan	AFG	2021-02-26	NaN	NaN	NaN	NaN	1367.0	NaN	NaN	NaN	35.0	Oxford/AstraZeneca, Pfizer/BioNTech, Sinopharm...	World Health Organization	https://covid19.who.int/

Data tersebut menyimpan informasi sebagai berikut:

• country - negara yang disedikan informasi mengenai vaksin;
• iso_code - kode negara;
• date - tanggal data tersebut dimasukkan; untuk beberapa tanggal yang ada merupakan informasi vaksinasi harian, untuk yang lainnya hanya total vaksinasi yang dilakukan;
• total_vaccinations - angka mutlak total vaksinasi yang dilakukan oleh negara tsb;
• people_vaccinated - seseorang, tergantung pada skema imunisasi, akan menerima satu atau lebih (biasanya 2) vaksin; Pada saat tertentu, jumlah vaksinasi mungkin lebih banyak dari jumlah orang ;
• people_fully_vaccinated - jumlah orang yang menerima seluruh rangkaian imunisasi menurut skema imunisasi (biasanya 2); pada saat tertentu, mungkin ada sejumlah orang yang menerima satu vaksin dan sejumlah lain (lebih kecil) orang yang menerima semua vaksin dalam skema ;
• daily_vaccinations_raw dan daily_vaccinations - untuk entri data tertentu, jumlah vaksinasi untuk tanggal/negara tersebut;
• total_vaccinations_per_hundred - rasio (dalam persen) antara jumlah yang telah divaksin dengan total populasi saat ini pada suatu negara;
• people_vaccinated_per_hundred - rasio (dalam persen) antara total penduduk yang diimunisasi dengan total populasi saat ini pada suatu negara;
• people_fully_vaccinated_per_hundred - rasio (dalam persen) antara penduduk yang sudah diimunisasi penuh dengan total populasi saat ini pada suatu negara;
• daily_vaccinations_per_million - rasio (dalam ppm/people per million) antara angka vaksinasi dengan total populasi saat ini pada suatu negara;
• vaccines - vaksin yang digunakan;
• source_name - sumber informasi (otoritas nasional, organisasi internasional, organisasi lokal, dll.);
• source_website - sumber website

Data Preprocessing

Tahapan yang cukup penting yaitu melakukan pembersihan data agar dapat digunakan dalam analisis lanjutan.

Mengubah Tipe Data

Pertama kita cek terlebih dahulu tipe data masing-masing kolom pada data vaksin.

vaksin.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 17607 entries, 0 to 17606
Data columns (total 15 columns):
 #   Column                               Non-Null Count  Dtype  
---  ------                               --------------  -----  
 0   country                              17607 non-null  object 
 1   iso_code                             17607 non-null  object 
 2   date                                 17607 non-null  object 
 3   total_vaccinations                   10251 non-null  float64
 4   people_vaccinated                    9526 non-null   float64
 5   people_fully_vaccinated              7185 non-null   float64
 6   daily_vaccinations_raw               8568 non-null   float64
 7   daily_vaccinations                   17391 non-null  float64
 8   total_vaccinations_per_hundred       10251 non-null  float64
 9   people_vaccinated_per_hundred        9526 non-null   float64
 10  people_fully_vaccinated_per_hundred  7185 non-null   float64
 11  daily_vaccinations_per_million       17391 non-null  float64
 12  vaccines                             17607 non-null  object 
 13  source_name                          17607 non-null  object 
 14  source_website                       17607 non-null  object 
dtypes: float64(9), object(6)
memory usage: 2.0+ MB

Pada data vaksin, terdapat 2 jenis tipe data yang disajikan yaitu numeric (float) dan character (object). Namun apabila kita teliti lebih dalam, setiap kolom pada data vaksin ada yang belum memiliki tipe data yang sesuai. Kolom mana yang perlu diubah?

• date -> tipe data datetime
• country, iso_code, source_name -> tipe data categoric

vaksin_clean = vaksin.copy()

# datetime
vaksin_clean['date'] = pd.to_datetime(vaksin_clean['date'])

# category
cat_cols = ['country','iso_code','source_name']
vaksin_clean[cat_cols] = vaksin_clean[cat_cols].astype('category')

vaksin_clean.dtypes

country                                      category
iso_code                                     category
date                                   datetime64[ns]
total_vaccinations                            float64
people_vaccinated                             float64
people_fully_vaccinated                       float64
daily_vaccinations_raw                        float64
daily_vaccinations                            float64
total_vaccinations_per_hundred                float64
people_vaccinated_per_hundred                 float64
people_fully_vaccinated_per_hundred           float64
daily_vaccinations_per_million                float64
vaccines                                       object
source_name                                  category
source_website                                 object
dtype: object

Cek Missing Value

Hal yang paling krusial dalam melakukan analisis data yaitu terdapatnya missing value atau nilai kosong. Sekilas jika kita perhatikan terdapat missing value pada beberapa kolom, namun kita tidak tahu kolom mana yang paling banyak terdapat missing valuenya, dan berapa proporsi missing value yang ada pada masing-masing kolom.

na = pd.DataFrame(vaksin_clean.isna().sum()/vaksin_clean.shape[0])
na = na.sort_values(by = 0, ascending = True)*100
na.rename(columns = {0 : 'percent'}, inplace =True)
na

	percent
country	0.000000
iso_code	0.000000
date	0.000000
vaccines	0.000000
source_name	0.000000
source_website	0.000000
daily_vaccinations	1.226785
daily_vaccinations_per_million	1.226785
total_vaccinations	41.778838
total_vaccinations_per_hundred	41.778838
people_vaccinated	45.896518
people_vaccinated_per_hundred	45.896518
daily_vaccinations_raw	51.337536
people_fully_vaccinated	59.192367
people_fully_vaccinated_per_hundred	59.192367

import plotly.express as px

fig = px.bar(na, x = 'percent' , y=na.index, 
             title="Persentase Missing Value per Kolom",
             orientation='h')

fig.show()

Dari sini kita tahu bahwa beberapa kolom memiliki missing value lebih dari 50%, kita bisa menghapus kolom tersebut karena terlalu banyak yang missing. Untuk kolom yang memiliki missing value lebih sedikit bisa kita imputasi sesuai dengan keputusan bisnis atau tetap kita biarkan missing apabila tidak kita perlukan kolom tersebut.

Pada analisis ini kita akan memilih beberapa kolom yang diperlukan saja untuk analisis diantaranya country, date, vacciness, daily_vaccinations, total_vaccinations, people_vaccinated, daily_vaccinations_raw, people_vaccinated_per_hundred, dan people_fully_vaccinated. Dikarenakan data tersusun per hari, oleh karena itu menyebabkan beberapa data missing dikarenakan memang tidak terdapat kegiatan vaksinasi. Beberapa kolom yang terdapat missing value akan kita isi dengan angka 0.

vaksin_clean = vaksin_clean[['country', 'date', 'total_vaccinations', 'daily_vaccinations', 'daily_vaccinations_raw', 'people_vaccinated', 'people_fully_vaccinated', 'people_fully_vaccinated_per_hundred', 'vaccines']]
vaksin_clean[['total_vaccinations', 'daily_vaccinations', 'daily_vaccinations_raw', 'people_vaccinated', 'people_fully_vaccinated', 'people_fully_vaccinated_per_hundred']] = vaksin_clean[['total_vaccinations', 'daily_vaccinations', 'daily_vaccinations_raw', 'people_vaccinated', 'people_fully_vaccinated', 'people_fully_vaccinated_per_hundred']].fillna(0)
vaksin_clean.head()

	country	date	total_vaccinations	daily_vaccinations	daily_vaccinations_raw	people_vaccinated	people_fully_vaccinated	people_fully_vaccinated_per_hundred	vaccines
0	Afghanistan	2021-02-22	0.0	0.0	0.0	0.0	0.0	0.0	Oxford/AstraZeneca, Pfizer/BioNTech, Sinopharm...
1	Afghanistan	2021-02-23	0.0	1367.0	0.0	0.0	0.0	0.0	Oxford/AstraZeneca, Pfizer/BioNTech, Sinopharm...
2	Afghanistan	2021-02-24	0.0	1367.0	0.0	0.0	0.0	0.0	Oxford/AstraZeneca, Pfizer/BioNTech, Sinopharm...
3	Afghanistan	2021-02-25	0.0	1367.0	0.0	0.0	0.0	0.0	Oxford/AstraZeneca, Pfizer/BioNTech, Sinopharm...
4	Afghanistan	2021-02-26	0.0	1367.0	0.0	0.0	0.0	0.0	Oxford/AstraZeneca, Pfizer/BioNTech, Sinopharm...

Analisis Data Vaksin

Sebelum melangkah lebih jauh, kita akan cari tahu dulu, data yang kita miliki berada pada rentang waktu kapan.

vaksin_clean['date'].describe()

/home/inayatus/miniconda3/envs/algoritma/lib/python3.7/site-packages/ipykernel_launcher.py:1: FutureWarning:

Treating datetime data as categorical rather than numeric in `.describe` is deprecated and will be removed in a future version of pandas. Specify `datetime_is_numeric=True` to silence this warning and adopt the future behavior now.

count                   17607
unique                    163
top       2021-04-08 00:00:00
freq                      186
first     2020-12-02 00:00:00
last      2021-05-13 00:00:00
Name: date, dtype: object

Data vaksin yang kita miliki memiliki rentang waktu 2 Desember 2020 - 13 Mei 2021.

Jenis Vaksin yang Digunakan Seluruh Dunia

Hinggal 15 Mei 2021, para peneliti telah melakukan pengujian 90 vaksin pada tenaga kesehatan, dan 27 vaksin sudah mencapai tahapan final test. Terdapat 77 vaksin praklinis sedang dalam pengujian pada hewan. Sumber: The New York Times.

vaksin_per_country = vaksin_clean[['country', 'vaccines']].drop_duplicates()
total_vaksin = vaksin_per_country['vaccines'].str.split(', ', expand=True).stack().value_counts().to_frame(name='total')
total_vaksin

	total
Oxford/AstraZeneca	164
Pfizer/BioNTech	99
Moderna	47
Sinopharm/Beijing	45
Sputnik V	37
Sinovac	26
Johnson&Johnson	18
Covaxin	5
CanSino	2
EpiVacCorona	2
Sinopharm/Wuhan	2
Abdala	1

Hingga 13 Mei 2021, 5 jenis vaksin yang paling banyak digunakan oleh banyak negara di dunia yaitu vaksin Oxford/AstraZaneca, Pfizer/BioNTech, Modernam, Sinopharm, dan Sputnik V. Indonesia sendiri sudah menggunakan vaksin Sinovac yang berada pada urutan ke-6 jenis vaksin yang paling sering digunakan oleh beberapa negara. Namun, selain Sinovac, Indonesia juga sudah menggunakan jenis vaksin dari Astrazeneca.

vaksin_clean[vaksin_clean['country'] == 'Indonesia'][['country', 'vaccines']].drop_duplicates()

	country	vaccines
7350	Indonesia	Oxford/AstraZeneca, Sinovac

Kedua jenis vaksin ini telah digunakan oleh beberapa negara. Berikut ini beberapa negara yang menggunakan jenis vaksin yang sama dengan Indonesia.

# code here
vaksin_per_country[vaksin_per_country['vaccines'].str.contains('AstraZeneca|Sinovac')]

	country	vaccines
0	Afghanistan	Oxford/AstraZeneca, Pfizer/BioNTech, Sinopharm...
79	Albania	Oxford/AstraZeneca, Pfizer/BioNTech, Sinovac, ...
224	Andorra	Oxford/AstraZeneca, Pfizer/BioNTech
330	Angola	Oxford/AstraZeneca
403	Anguilla	Oxford/AstraZeneca
...	...	...
17247	Vietnam	Oxford/AstraZeneca
17313	Wales	Moderna, Oxford/AstraZeneca, Pfizer/BioNTech
17443	Wallis and Futuna	Oxford/AstraZeneca
17493	Yemen	Oxford/AstraZeneca
17494	Zambia	Oxford/AstraZeneca

169 rows × 2 columns

Lalu bagaimana sebenarnya perkembangan distribusi vaksin antar negara terutama di Indonesia? Apakah sudah mencapai 100%?

vaksin_indo = vaksin_clean[vaksin_clean['country']=="Indonesia"]

# visualize
import plotly.graph_objs as go

fig = go.Figure()
fig.add_trace(go.Scatter(x = vaksin_clean['date'], y = vaksin_clean['daily_vaccinations'], mode = "lines", 
                         text = vaksin_clean['country'], hovertemplate = '%{text}'+'<br>'+"tanggal = %{x}"+'<br>'+'Vaksin per Hari = %{y}'))
fig.add_trace(go.Scatter(x = vaksin_indo['date'], y = vaksin_indo['daily_vaccinations'], mode = "lines", 
                         text = "Indonesia", hovertemplate = "tanggal = %{x}"+'<br>'+'Vaksin per Hari = %{y}'))
fig.show()

Reference

• https://www.kaggle.com/michau96/why-is-israel-a-leader-in-vaccination
• Kaggle: COVID-19 World Vaccination Progress
• Our World in Data
• COVID-19 Github Repository.